Identificación Inteligente de Plántulas de Té Bajo Condiciones de Alta Temperatura a Través del Modelo YOLOv11-MEIP Basado en Imágenes de Fluorescencia de Clorofila
Autores: Wang, Chun; Wang, Zejun; Chen, Lijiao; Liu, Weihao; Wang, Xinghua; Cao, Zhiyong; Zhao, Jinyan; Zou, Man; Li, Hongxu; Yuan, Wenxia; Wang, Baijuan
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Identificación Inteligente de Plántulas de Té Bajo Condiciones de Alta Temperatura a Través del Modelo YOLOv11-MEIP Basado en Imágenes de Fluorescencia de Clorofila
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Plántulas de planta de té
Estrés por altas temperaturas
Modelo YOLOv11
Tecnología de imagen de fluorescencia de clorofila
Red MobileNetV4
EUCB
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Para lograr una identificación eficiente, no destructiva e inteligente de plántulas de té bajo estrés por altas temperaturas, este estudio propone un modelo mejorado de YOLOv11 basado en la tecnología de imágenes de fluorescencia de clorofila para la identificación inteligente. Utilizando plántulas de té bajo diferentes grados de alta temperatura como objetos de investigación, se adquirieron imágenes de fluorescencia crudas a través de un dispositivo de adquisición de imágenes de fluorescencia de clorofila. Los parámetros de fluorescencia obtenidos mediante análisis de correlación de Spearman fueron la eficiencia fotoquímica máxima (Fv/Fm), y la imagen de fluorescencia de este parámetro se utiliza para construir el conjunto de datos. El modelo YOLOv11 se mejoró de las siguientes maneras. Primero, para reducir el número de parámetros de la red y mantener un bajo costo computacional, se introdujo la red ligera MobileNetV4 en el modelo YOLOv11 como una nueva red base. Segundo, para lograr un aumento eficiente de características, mejorar la eficiencia y precisión de la extracción de características, y reducir la redundancia computacional y el volumen de acceso a la memoria, se introdujeron los módulos EUCB (Bloque de Convolución Eficiente), iRMB (Bloque Móvil Residual Invertido) y PConv (Convolución Parcial) en el modelo YOLOv11. Los resultados de la investigación muestran que el modelo mejorado YOLOv11-MEIP tiene el mejor rendimiento, con precisión, recuperación y mAP50 alcanzando 99.25%, 99.19% y 99.46%, respectivamente. En comparación con el modelo YOLOv11, el modelo mejorado YOLOv11-MEIP logró aumentos del 4.05%, 7.86% y 3.42% en precisión, recuperación y mAP50, respectivamente. Además, el número de parámetros del modelo se redujo en un 29.45%. Este estudio proporciona un nuevo método inteligente para la clasificación de niveles de estrés por altas temperaturas de las plántulas de té, así como detección e identificación de estados, y ofrece un nuevo apoyo teórico y referencia técnica para el monitoreo y prevención de plantas de té y otros cultivos en jardines de té bajo altas temperaturas.
Descripción
Para lograr una identificación eficiente, no destructiva e inteligente de plántulas de té bajo estrés por altas temperaturas, este estudio propone un modelo mejorado de YOLOv11 basado en la tecnología de imágenes de fluorescencia de clorofila para la identificación inteligente. Utilizando plántulas de té bajo diferentes grados de alta temperatura como objetos de investigación, se adquirieron imágenes de fluorescencia crudas a través de un dispositivo de adquisición de imágenes de fluorescencia de clorofila. Los parámetros de fluorescencia obtenidos mediante análisis de correlación de Spearman fueron la eficiencia fotoquímica máxima (Fv/Fm), y la imagen de fluorescencia de este parámetro se utiliza para construir el conjunto de datos. El modelo YOLOv11 se mejoró de las siguientes maneras. Primero, para reducir el número de parámetros de la red y mantener un bajo costo computacional, se introdujo la red ligera MobileNetV4 en el modelo YOLOv11 como una nueva red base. Segundo, para lograr un aumento eficiente de características, mejorar la eficiencia y precisión de la extracción de características, y reducir la redundancia computacional y el volumen de acceso a la memoria, se introdujeron los módulos EUCB (Bloque de Convolución Eficiente), iRMB (Bloque Móvil Residual Invertido) y PConv (Convolución Parcial) en el modelo YOLOv11. Los resultados de la investigación muestran que el modelo mejorado YOLOv11-MEIP tiene el mejor rendimiento, con precisión, recuperación y mAP50 alcanzando 99.25%, 99.19% y 99.46%, respectivamente. En comparación con el modelo YOLOv11, el modelo mejorado YOLOv11-MEIP logró aumentos del 4.05%, 7.86% y 3.42% en precisión, recuperación y mAP50, respectivamente. Además, el número de parámetros del modelo se redujo en un 29.45%. Este estudio proporciona un nuevo método inteligente para la clasificación de niveles de estrés por altas temperaturas de las plántulas de té, así como detección e identificación de estados, y ofrece un nuevo apoyo teórico y referencia técnica para el monitoreo y prevención de plantas de té y otros cultivos en jardines de té bajo altas temperaturas.